Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.

Transkripsi

1 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-0 Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi Binomial Negatif Fefy Dita Sari dan Purhadi Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia Abstrak Menurut Laporan Profil Kesehatan Jawa Timur tahun 013, Jawa Timur adalah provinsi dengan umlah keadian luar biasa (KLB) DBD tertinggi di Indonesia dengan angka kematian masih di bawah target yakni 1,04 persen. Dalam penelitian ini dilakukan pendeteksian wilayah kantong penyakit DBD dengan Flexibly Shaped Spatial Scan Statistic. Untuk melakukan pendeteksian tersebut dibutuhkan nilai ramalan umlah kasus DBD di setiap kabupaten. Nilai ramalan dapat diperoleh dengan melakukan pemodelan regresi binomial negatif. Hasil penelitian menunukkan bahwa variabel yang berpengaruh signifikan terhadap umlah kasus DBD di Jawa Timur adalah persentase rumah tangga berperilaku hidup bersih dan sehat dan persentase sarana pendidikan dibina lingkungan kesehatannya. Hasil Flexibly Shaped Spatial Scan Statistic menunukkan bahwa terdapat dua belas kantong DBD. Daerah paling rawan yaitu Kota Surabaya yang memiliki nilai resiko relatif sebesar 3,16. Daerah dengan resiko terbesar kedua yakni Kabupaten Bondowoso dan Kabupaten Jember dengan resiko relatif sebesar,10. Kabupaten dengan resiko relatif tertinggi ketiga yakni Kabupaten Sampang denganresiko relatif 1,90. Kata Kunci DBD, Flexibly Shaped Spatial Scan Statistic, Regresi Binomial Negatif D I. PENDAHULUAN BD merupakan salah satu penyakit yang sampai saat ini masih menadi masalah kesehatan masyarakat karena peralanan penyakitnya cepat dan dapat menyebabkan kematian dalam waktu singkat. Indonesia yang berada di wilayah tropis pada daerah ekuator memungkinkan perkembangbiakan Aedes aegypti yang merupakan vektor dari virus dengue, sehingga Indonesia memiliki resiko besar untuk terangkit dan tertular DBD dengan cepat [1]. Pada beberapa tahun terakhir sering teradi peningkatan keadian luar biasa (KLB) DBD terutama di pulau Jawa. Jawa Timur adalah provinsi dengan KLB paling banyak di Indonesia dengan angka kematian atau case fatality rate (CFR) masih berada di bawah target Nasional yakni 1,04% []. Oleh karena itu perlu dilakukan pencegahan dini penularan penyakit DBD di Jawa Timur. Agar pencegahan lebih tepat sasaran dan berlangsung secara efektif dan efisien maka dibutuhkan informasi wilayah kantong penyakit DBD. Informasi tentang wilayah kantong penyakit DBD dapat diperoleh menggunakan metode scan statistics. Karena kantong wilayah DBD yang terbentuk tidak selalu berdekatan dan memiliki bentuk kantong yang beraturan maka pendekatan yang digunakan adalah Flexibly Shaped Spatial Scan Statistic. Pada metode ini dibutuhkan nilai ramalan umlah kasus DBD berdasarkan faktor-faktor yang mempengaruhi. Untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD dapat digunakan analisis regresi [3]. Jumlah kasus DBD merupakan salah satu contoh data cacahan, sehingga analisis yang tepat digunakan untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD di Jawa Timur adalah regresi Poisson. Dalam analisis regresi Poisson, sering kali muncul fenomena overdispersi [4]. Salah satu metode yang digunakan dalam mengatasi overdispersi dalam regresi Poisson adalah regresi Binomial Negatif. Penelitian ini dilakukan untuk mengidentifikasi wilayah kantong penyakit DBD di Jawa Timur dengan Flexibly Shaped Spatial Scan Statistic dan untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD di Jawa Timur, sehingga upaya pencegahan dan penanggulangan DBD dapat beralan secara efektif, efisien dan tepat sasaran. II. TINJAUAN PUSTAKA A. Statistika Deskriptif Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyaian suatu himpunan data, sehingga memberikan informasi yang berguna [5]. Contoh statistika deskriptif adalah rata-rata, koefisien varians, nilai minimum, nilai maksimum dan peta tematik. Salah satu bentuk penyaian statistika deskriptif adalah menggunakan peta tematik dengan metode natural break [6]. B. Multikolinieritas Salah satu syarat yang harus dipenuhi dalam pembentukan model regresi dengan beberapa variabel prediktor adalah tidak ada kasus multikolinearitas. Pendeteksian kasus multikolinieritas dilakukan koefisien korelasi dengan kriteria nilai VIF. Terdapat multikolinieritas ika koefisien koeralsi lebih dari 0,95. Nilai VIF (Variance Inflation Factor) lebih besar dari 10 menunukkan adanya multikolinieritas. Nilai VIF dinyatakan

2 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-1 dengan R k 1 VIFk (1) 1 R k adalah koefisien determinasi antara satu variabel prediktor dengan variabel prediktor lainnya [7]. C. Regresi Poisson Regresi Poisson merupakan model regresi nonlinear yang tepat digunakan untuk memodelkan data cacahan [8]. Jika variabel random diskrit (y) merupakan distribusi Poisson dengan parameter µ maka fungsi probabilitas dinyatakan e y () f ( y, ) ; y 0,1,,... y! dengan µ merupakan rata-rata dari y yang berdistribusi Poisson. Persamaan model regresi Poisson dapat ditulis i exp 0 1x i.1 xi.... px (3) i. p Estimasi parameter dilakukan dengan metode Maximum Likelihood Estimation (MLE) yang memaksimumkan fungsi log likelihood. Selanutnya, estimasi parameter dilakukan dengan iterasi Newton Raphson dari turunan pertama fungsi log likelihood yang diturunkan terhadap β T dan disamadengankan nol. Syarat agar diperoleh estimasi parameter dengan MLE adalah dihasilkannya matrik Hessian yang definit negatif. Matrik Hessian adalah turunan kedua fungsi log likelihood terhadap β. Fungsi log likelihood dirumuskan n X T β n n e i y X T β ln y! ln L β (4) i i i i 1 i 1 i 1 Penguian signifikansi parameter terdiri dari ui serentak dan parsial. Ui signifikansi secara serentak menggunakan Maximum Likelihood Ratio Test (MLRT) dengan hipotesis sebagai berikut [9]. H 0: β 1 = β = = β p = 0 H 1: paling sedikit ada satu β 0, = 1,,, p Lωˆ D ˆβ ln Λ ln (5) L Ωˆ Tolak H 0 ika Dβ ˆ χ yang berarti minimal ada satu, p parameter yang berpengaruh secara signifikan. Kemudian dilakukan penguian parameter secara parsial dengan hipotesis H 0: β =0 H 1: β 0 ; =1,,...,p zhitung (6) Tolak H 0 ika z hitung z / dengan α merupakan tingkat signifikansi yang ditentukan. Overdispersi merupakan nilai dispersi pearson Chi-square atau deviance yang dibagi dengan deraat bebasnya, diperoleh nilai lebih besar dari 1 [10]. D. Regresi Binomial Negatif Model regresi Binomial Negatif mempunyai fungsi distribusi sebagai berikut [11]. SE ( ) 1/ y y 1/ 1 f y,, 1/ y! 1 1 y 0,1,,...; X T i i β (7) Estimasi model regresi Binomial Negatif dinyatakan i exp 0 1x i.1 xi.... pxi. p (8) Metode Maximum Likelihood Estimation (MLE) digunakan untuk estimasi parameter. Selanutnya, dengan iterasi Newton Raphson dari turunan pertama fungsi log likelihood yang diturunkan terhadap β, θ, dan disamadengankan nol. Syarat agar diperoleh estimasi parameter dengan MLE adalah dihasilkannya matrik Hessian yang definit negatif. Matrik Hessian adalah turunan kedua fungsi log likelihood terhadap β. Fungsi log likelihood dari regresi Binomial Negatif adalah (9) ln{l(β, θ)} = n y [( i 1 i=1 r=1 ln (r + θ 1 )) ln(y i!) + y i ln(θμ i ) (θ 1 + y i )ln(1 + θμ i )] Penguian signifikansi secara serentak untuk estimasi parameter model regresi Binomial Negatif dengan hipotesis sebagai berikut [1]. H 0: β 1= β =...= β p=0 H 1: minimal ada satu β 0; =1,,...,p L ωˆ D ˆβ ln Λ ln (10) L Ωˆ dimana Lˆ merupakan fungsi likelihood berdasarkan persamaan (9) tanpa melibatkan variabel prediktor, sedangkan LΩ ˆ merupakan fungsi likelihood dengan melibatkan variabel prediktor. Tolak H 0 ika Dβ ˆ χ yang berarti minimal ada, p satu parameter yang berpengaruh secara signifikan. Kemudian dilakukan penguian parameter secara parsial dengan hipotesis H 0: β =0 H 1: β 0 ; =1,,...,p zhitung (11) SE ) Tolak H 0 ika z hitung z / yang berarti bahwa parameter ke signifikan terhadap model regresi Binomial Negatif. E. Flexibly Shaped Spatial Scan Statistic Spatial Scan Statistic merupakan salah satu metode statistik yang digunakan untuk mendeteksi cluster pada sebuah lokasi yang berupa titik maupun data agregat. Metode Flexibly Spatial Scan Statistic mempunyai power lebih tinggi daripada metode Circular Spatial Scan Statistic saat cluster yang dideteksi adalah non-circular dan fleksibel terhadap bentuk kantong yang dihasilkan sehingga tidak terbatas pada bentuk lingkaran saa [13]. Algoritma yang digunakan untuk mendapatkan Z dengan pre-specified maximum length L adalah 1. Membentuk himpunan wilayah Z Z Z 1 i n,1 l L, 1 m m il( m) il (

3 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D- dimana n adalah banyaknya data pengamatan, L adalah banyak wilayah maksimum dalam satu kantong dan m adalah banyak data bangkitan dengan simulasi monte-carlo.. Himpunan wilayah Z dibagi menadi dua himpunan wilayah baru yakni Z 0 dan Z 1, dimana Z 0 adalah himpunan wilayah dari Z yang acak dan Z 1 uga merupakan himpunan wilayah acak dari Z selain Z 0 3. Buat himpunan baru yakni Z 0 terdiri dari wilayah Z 1 yang berbatasan dengan Z 0 dan Z 1 terdiri dari wilayah Z 1 yang tidak berbatasan dengan Z 0 4. Ulangi langkah 3 hingga Z 0 dan Z 1 menadi himpunan kosong. 5. Jika Z 1 menadi himpunan kosong terlebih dahulu maka Z adalah berhubungan, ika Z 0 kosong terlebih dahulu maka Z tidak berhubungan 6. Ulangi langkah -5 hingga terbentuk maksimum L wilayah. Untuk setiap wilayah i dan panang dari scanning window, hipotesis alternatifnya adalah minimal ada satu window Z yang mempunyai peluang resiko lebih tinggi (elevated risk) daripada di luar window. Dengan kata lain, hipotesis yang digunakan adalah H 0: E Y Z Z untuk semua Z H 1: E Y Z Z untuk beberapa Z dimana Y(.) melambangkan umlah kasus yang random dan μ(.) merupakan nilai harapan dari kasus window tertentu. λ = {( y(z) n(z) μ(z) ) ( y(zc ) n(zc) μ(z c ) ) I ( y(z) μ(z) > ) (y(zc μ(z c ) ))} (1) dimana Z c melambangkan semua wilayah di luar window Z, y(.) melambangkan umlah kasus dalam window yang ditentukan, n (Z) adalah banyaknya wilayah dalam window Z, n (Z c ) adalah banyaknya wilayah di luar window Z, dan I(.) merupakan fungsi indikator. Ketika memeriksa kantong dengan high rates, maka I(.) memiliki nilai 1 ika Z memiliki peluang lebih besar dan 0 ika lainnya. Prosedur untuk mendapatkan p-value dengan pendekatan Monte Carlo adalah 1. Hitung penumlahan nilai log likelihood ratio tertinggi t 0 untuk data riil.. Membangun data acak yang ukurannya sama dengan data riil yang dibangun di bawah kondisi H Melakukan proses pembentukan scanning window Z dari data acak yang dibangun berdasarkan kondisi H Mencari nilai log likelihood ratio dari setiap scanning window, dan dicatat apakah umlah kasus yang diamati lebih besar atau lebih kecil dari yang diestimasi, kemudian menumlahkan nilai log likelihood ratio yang umlah kasusnya lebih besar dari umlah yang diestimasi, untuk setiap scanning window. Langkah selanutnya, mendapatkan penumlahan nilai log likelihood ratio yang tertinggi dari simulasi pertama pembangunan data acak tersebut. 5. Mengulang langkah, 3, dan 4 sebanyak m kali pengulangan/simulasi, sehingga memperoleh m penumlahan nilai log likelihood ratio tertinggi dari data acak dan data riil. banyaknya T ( x) t Hitung p-value, 0 p m 1 t 0 menyatakan penumlahan nilai log likelihood ratio tertinggi yang dimiliki suatu scanning window Z dari data riil. T(x) adalah penumlahan nilai log likelihood ratio dari data acak yang dibangun di bawah kondisi H 0. m adalah banyaknya simulasi untuk membangun data di bawah kondisi H 0. Jika P- value < α maka tolak H 0 yang berarti bahwa window Z adalah wilayah kantong yang signifikan. F. Pemilihan Model Terbaik Kriteria yang digunakan untuk memilih model regresi terbaik adalah Akaike Information Criterion (AIC). AIC merupakan kriteria yang digunakan untuk memilih model terbaik yang didefinisikan AIC = ln L(β) + K (13) dimana ln L(β) merupakan nilai likelihood yang didapat dari persamaan (4) untuk regresi Poisson dan persamaan (9) untuk regresi Binomial Negatif. G. DBD DBD adalah penyakit yang disebabkan oleh virus dengue yang masuk ke peredaran darah manusia melalui gigitan nyamuk dari genus Aedes aegypti. Penyakit DBD dapat muncul sepanang tahun dan dapat menyerang seluruh kelompok umur. Penyakit ini berkaitan dengan kondisi lingkungan dan perilaku masyarakat. Penyakit ini masih menadi permasalahan kesehatan masyarakat karena fatalitasnya dalam menyebabkan kematian dan kerapnya Keadian Luar Biasa (KLB) yang teradi pada bulan tertentu. Adapun nyamuk Aedes aegypti memiliki kemampuan terbang mencapai radius meter. Oleh karena itu, ika di suatu lingkungan terkena kasus DBD, maka masyarakat yang berada pada radius tersebut harus waspada.nyamuk Aedes aegypti lebih menyukai tempat yang gelap, berbau, dan lembap. Tempat perindukan yang sering dipilih Aedes aegypti adalah kawasan yang padat dengan sanitasi yang kurang memadai, terutama digenangan air dalam rumah, seperti pot, vas bunga, bak mandi atau tempat penyimpanan air lainnya seperti tempayan, drum, atau ember plastik [14]. Faktor lingkungan memegang peranan penting dalam penularan penyakit, terutama lingkungan rumah yang tidak memenuhi syarat. Lingkungan rumah merupakan salah satu faktor yang memberikan pengaruh besar terhadap status kesehatan penghuninya [15]. Penyakit DBD sering teradi di daerah tropis dan muncul pada musim penghuan. Kurangnya kesadaran manusia dalam menaga kebersihan lingkungan uga merupakan hal yang berpengaruh terhadap penyakit DBD [16]. III. METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh melalui publikasi data profil kesehatan di Dinas Kesehatan Provinsi Jawa Timur tahun 014. Unit observasi penelitian sebanyak 38 kabupaten/kota di Provinsi Jawa Timur. Software yang digunakan adalah ArcView, FleXscan v3.1. dan program R. Penelasan masing-masing variabel adalah 1. Jumlah kasus Demam Berdarah Dengue di tiap kabupaten/kota (Y). Kepadatan Penduduk (X 1)

4 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-3 3. Persentase rumah/bangunan bebas entik nyamuk Aedes (X ) 4. Persentase rumah tangga berperilaku hidup bersih dan sehat (PHBS) (X 3) 5. Persentase rumah sehat (X 4) 6. Persentase sarana pendidikan yang dibina lingkungan kesehatannya (X 5) Langkah analisis yang dilakukan dalam penelitian ini yang didasarkan pada tuuan penelitian adalah 1. Mendeskripsikan karakteristik umlah kasus DBD dan faktor-faktor yang mempengaruhinya di Provinsi Jawa Timur tahun 013 menggunakan pemetaan wilayah untuk masing-masing variabel.. Penguian kasus multikolinieritas berdasarkan kriteria korelasi dan VIF. 3. Menganalisis model regresi Poisson. 4. Menganalisis model regresi Binomial Negatif. 5. Melakukan pemilihan model terbaik dengan kriteria AIC. 6. Mendeteksi kantong DBD tingkat kabupaten/kota di provinsi Jawa Timur dengan Flexibly Shaped Spatial Scan Statistic. IV. ANALISIS DAN PEMBAHASAN A. Karakteristik Jumlah Kasus DBD Tahun 013 di Provinsi Jawa Timur Jumlah kasus DBD di Provinsi Jawa Timur sangat beragam di setiap kabupaten/kota. Keragaman data umlah kasus DBD yang tinggi ini teradi karena terdapat wilayah tertentu yang umlah kasus DBD nya sangat rendah yakni Kota Mookerto dengan umlah kasus DBD hanya 17 kasus sepanang tahun 013 sedangkan kondisi yang berbeda teradi di Kota Surabaya yakni dengan umlah kasus DBD sebanyak.07 kasus pada tahun 013. Gambar 1. Persebaran Jumlah Kasus DBD di Jawa Timur (Y) Pada Gambar 1 dengan indikator warna coklat tua merupakan kabupaten/kota dengan umlah kasus DBD tinggi antara rentang hingga.07 kasus yaitu Kota Surabaya. B. Pemeriksaan Multikolinieritas Berikut adalah salah satu cara mendeteksi multikolinieritas dengan kriteria korelasi dan VIF. Tabel 1. Korelasi antar Variabel Prediktor X1 X X3 X4 X 0,184 X3 0,85-0,080 X4 0,374 0,13 0,395 X5 0,01 0,409-0,064 0,430 Tabel. Nilai VIF dari Variabel Prediktor Variabel Prediktor VIF X1 1,34 X 1,36 X3 1,337 X4 1,658 X5 1,555 Tabel 1dan menunukkan nilai koefisien korelasi kurang dari 0,95 dan VIF dari masing-masing variabel prediktor memiliki nilai VIF kurang dari 10, sehingga dapat disimpulkan bahwa tidak terdapat kasus multikolinieritas. C. Regresi Poisson Berikut ini merupakan estimasi parameter model regresi Poisson. Tabel 3. Estimasi Parameter Model Regresi Poisson Estimate Std.Error Z Value P Value (Intercept) 5,815 0, ,899 <x10-16* X1 6,064x10-5 4,044 x ,996 <x10-16* X -0, ,88 x ,045 5,4x10-5* X3 0,037 7,63 x ,079 <x10-16* X4-0, ,500 x10-4 -, * X5-0, ,58 x ,5 <x10-16* Deviance: 8.757,8 DF: 31 *) signifikan dengan taraf nyata 5% AIC: 9.044,8 Tabel 3 menunukkan nilai devians sebesar 8.757,8 dengan taraf signifikansi 5% didapatkan 5;0,05 sebesar 11,070 yang berarti minimal ada satu variabel prediktor yang berpengaruh signifikan terhadap variabel respon. Berdasarkan hasil penguian secara individu diperoleh nilai P-value yang sangat kecil sehingga dapat disimpulkan bahwa semua variabel prediktor dalam model secara individu berpengaruh signifikan terhadap umlah kasus DBD di Jawa Timur. Sehingga didapatkan model regresi Poisson ln(μ ) = 5, ,064x10-5 X 1-0,00511 X + 0,037 X 3-0,00171 X 4-0, X 5 D. Regresi Binomial Negatif Berikut ini merupakan estimasi parameter model regresi Binomial Negatif. Tabel 4. Estimasi Parameter Model Regresi Binomial Negatif Estimate Std.Error Z Value P Value (Intercept) 5,985 1,806 3,314 0,0035* X1 3,61x10-5 7,04 x10-5 0,514 0,61076 X -,788x10-4 0,011-0,013 0,98954 X3 0, , ,539 0,13407* X4-1,40x10-4 0,0079-0, X5-0, , ,30 0,19665*

5 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-4 Deviance: 31 DF: 31 AIC: 5,1 *) signifikan dengan taraf nyata 5% Tabel 4 menunukkan nilai devians sebesar 31 dengan taraf signifikansi 5% didapatkan 5;0,5 sebesar 6,6568 yang artinya minimal ada satu variabel prediktor yang berpengaruh signifikan terhadap variabel respon. Berdasarkan hasil penguian secara individu hanya terdapat dua variabel prediktor yang signifikan, yaitu X 3 dan X 5. Berikut ini merupakan model regresi Binomial Negatif. ln(μ ) = 5, ,61x10-5 X 1 -,788 x10-4 X + 0,01689 X 3-1,40 x10-4 X 4-0,01099 X 5 Berdasarkan model yang terbentuk dapat diketahui bahwa setiap pertambahan 1 iwa/km (X 1) maka akan menambah rata-rata umlah kasus DBD sebesar exp(0, ) 1 kasus dengan asumsi variabel lain konstan. Selanutnya setiap pertambahan persentase rumah/bangunan bebas entik aedes (X ) sebesar 1 persen maka umlah kasus DBD akan berkurang sebesar exp(0,000788) 1 kasus dengan asumsi variabel lain konstan. Penambahan 1 persen rumah tangga berperilaku hidup bersih dan sehat (X 3) akan meningkatkan umlah kasus DBD sebesar exp (0,01689) 1 kasus DBD di setiap kabupaten/kota dengan asumsi variabel lain konstan. Hal ini tidak sesuai karena seharusnya semakin tinggi rumah tangga yang berperilaku hidup bersih dan sehat maka semakin sedikit umlah kasus DBD nya. Namun ketidaksesuaian tersebut bukan berarti bahwa semakin tinggi persentase rumah tangga yang berperilaku hidup bersih dan sehat ustru akan meningkatkan umlah kasus DBD. Hal ini mungkin saa teradi karena dampak dari perilaku hidup bersih dan sehat pada masyarakat tidak langsung memberikan dampak pada penurunan umlah kasus DBD namun dampaknya dirasakan setelah beberapa interval waktu tertentu. E. Pemilihan Model Terbaik Pemilihan model terbaik dengan kriteria AIC adalah sebagai berikut. Tabel 5.Pemilihan Model Terbaik Model AIC Regresi Poisson 9.044,8 Regresi Binomial Negatif 5,1 Tabel 5 menunukkan bahwa model regresi Binomial Negatif memiliki nilai AIC lebih kecil dibanding dengan regresi poisson, sehingga dapat disimpulkan bahwa model regresi Binomial Negatif lebih baik dalam memodelkan umlah kasus DBD di kabupaten/kota Jawa Timur. F. Pendeteksian Kantong DBD dengan Flexibly Shaped Spatial Scan Statistic Berikut adalah hasil pendeteksian kantong DBD di Jawa Timur dengan pengulangan sebanyak Gambar 3. Peta Pendeteksian Kantong DBD di Jawa Timur Tabel 8. Hasil Deteksi Kantong DBD di Jawa Timur Kantong DBD Juml.Kab Kab/Kota Resiko Relatif 1 1 Kota Surabaya 3,46 Kab. Jember, Bondowoso, Kab.Sampang 1,90 4 Kab. Malang, Kota Malang 1, Kab. Malang Kab. Sumenep 1,7 7 Kab. Trenggalek, Kab.Tulungagung 1, Kab.Ponorogo Kab.Bangkalan 1, Kab. Jombang 1, Kab. Situbondo Kab. Pasuruan 1,4 Kota Surabaya merupakan kota yang paling rawan terkena DBD dimana Kota Surabaya beresiko terkena DBD 3,46 kali lebih besar dibanding kabupaten/kota lain. Kantong kedua terdiri dari Kabupaten Jember dan Kabupaten Bondowoso dengan umlah kasus adalah resiko relatif,10. Kantong ketiga yakni Kabupaten Sampang yang memiliki resiko 1,90 kali lebih tinggi untuk terkena DBD dibanding kab/kota lain di luar kantong 3. V. KESIMPULAN DAN SARAN Kantong 1: Kota Surabaya Kantong : Kab Bondowoso, Jember Kantong 3: Kab Sampang Hasil pemodelan regresi Binomial Negatif menunukkan bahwa variabel yang signifikan adalah persentase rumah tangga berperilaku hidup bersih dan sehat dan persentase sarana pendidikan di bina lingkungan kesehatannya. Hasil pendeteksian kantong DBD di Jawa Timur menunukkan bahwa terbentuk dua belas kantong DBD dimana 1 wilayah yakni Kota Surabaya merupakan daerah paling rawan terkena DBD dengan resiko 3,46 kali di banding wilayah lainnya. Saran untuk penelitian selanutnya dapat dilakukan analisis dengan Geographically Weighted Negative Binomial Regression dengan menambah variabel-variabel baru.

6 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-5 DAFTAR PUSTAKA [1] World Health Organization. Dengue Guidelines for Diagnosis, treatment, Prevention and Control. Diakses dari pada Desember 015, 009. [] Dinas Kesehatan Provinsi Jawa Timur. Profil Kesehatan Jawa Timur Tahun 013. Surabaya: Dinas Kesehatan Provinsi Jawa Timur, 014. [3] Draper, N. R., dan Smith, H. (1998). Applied Regression Analysis (3rd ed.). New York: John Wiley & Sons, Inc. [4] Cameron, A. C., & Trivedi, P. K. Regression Analysis of Count Data. Cambridge: Cambridge University Press, [5] Walpole, R E. (1995). Pengantar Statistika. Jakarta: Gramedia Pustaka Utama. [6] Expert Health Data Programming (014). What is Jenks Natural Breaks?? diakses dari vitalnet/ breaks-1.htm pada 30 desember 015 [7] Hocking, R.R. Method and Applications of Linier Models. New York: John Wiley and Sons,Inc, [8] Agresti, A. Categorical Data Analysis Second Edition. New York: John Wiley & Sons, 00. [9] Mc Cullagh, P. and Nelder, J.A. Generalized Linear Models Second Edition. London: Chapman & Hall, [10] Hardin, J. W., & Hilbe, J. M. Generalized Linear Models and Extensions Second Edition. Texas: Stata Press, 007. [11] Greene, W. Functional Forms for the Negative Binomial Model for Count Data, Foundation, and Trends in Ecometrics,99, New York: New York University, 008. [1] Hosmer, David Watson and Lemeshow, Sticher. Applied Logistic Regression. New York: John Wiley and Sons Inc, [13] Tango, T. dan Takahashi, k. A Flexibly Shaped Spatal Scan Statistic For Detecting Clusters. International Journal of Health Geographics. Volume 4:11, 005. [14] Tobing, TMDNL. Pemodelan Kasus DBD (DBD) di Jawa Timur dengan Model Poisson dan Binomial Negatif. Bogor: Thesis Institut Pertanian Bogor, 011. [15] Notoatmodo, S. Ilmu Kesehatan Masyarakat, Prinsip- Prinsip Dasar. Jakarta: Rineka Cipta, 003. [16] Sigarlaki, H.J.O. Karakteristik, Pengetahuan, dan Sikap Ibu terhadap Penyakit Demam Berdarah Dengue. Jakarta. Universitas Kristen Indonesia, 01.